Изображения колоний бактерий высокого разрешения, выделенных клинически, для автоматического обнаружения и глубокого обучения

Почему крошечные точки на чашке имеют значение

Когда врачи проверяют наличие инфекций, они часто выращивают микроорганизмы из образца пациента на питательной чашке и ждут появления крошечных точек, называемых колониями. Каждая точка восходит к одной микробной клетке, а её внешний вид и рисунок помогают лаборантам предполагать, что вызывает болезнь. Но просмотр сотен чашек невооружённым глазом медленен и утомителен. В этом исследовании описана большая, тщательно собранная коллекция высококачественных изображений колоний, предназначенная для того, чтобы компьютеры научились быстро и последовательно обнаруживать и считать эти точки.

От переполненного лабораторного стола к цифровым снимкам

В больничных лабораториях персонал регулярно выращивает бактерии из крови, мочи или дыхательных путей. Затем они осматривают колонии по размеру, цвету и форме, чтобы ориентировать диагноз и лечение. Традиционное считывание взглядом не только трудоёмко; оно также варьируется от человека к человеку, особенно когда нужно проверить много чашек за короткое время. По мере того как системы здравоохранения тестируют больше пациентов и стремятся к более быстрым ответам, усиливается тенденция перехода от ручной проверки к цифровым инструментам, способным обрабатывать большое количество изображений с одинаковыми стандартами каждый раз.

Построение более чистого окна на мир бактерий

Авторы поставили задачу создать коллекцию изображений колоний, которая избегала бы многих недостатков старых наборов данных, таких как неравномерное освещение и малое число видов. Они собрали клинические штаммы от реальных пациентов в течение почти двух лет, охватив 19 важных типов бактерий, включая несколько часто устойчивых к антибиотикам. Для каждого вида они выбрали несколько различных штаммов и выращивали их на твёрдой среде в строго контролируемых условиях, иногда ожидая 48 часов, чтобы медленно растущие штаммы показали свой типичный вид. Затем использовали закрытое светонепроницаемое устройство для съёмки с фиксированной камерой и двумя источниками света — один просвечивающий через плиту и другой отражённый сверху — чтобы получить чёткие, стабильные снимки каждой чашки.

Преобразование чашек в числа для компьютеров

После съёмки обученный лабораторный персонал тщательно обводил рамками каждую колонию с помощью программного обеспечения для разметки. Два инспектора отмечали колонии независимо, а третий эксперт разрешал редкие расхождения, так что финальная разметка близко соответствовала истинным краям колоний. Команда также зеркально отражала изображения по горизонтали или вертикали, чтобы получить дополнительные примеры, корректируя метки соответственно. В итоге они получили 950 оригинальных изображений и их отражённые версии, что дало 1900 изображений с 118 442 отмеченными колониями. Метки сохранены в нескольких общих форматах файлов, чтобы разные инструменты искусственного интеллекта могли использовать данные с минимальными дополнительными усилиями.

Испытание набора данных

Чтобы продемонстрировать возможности набора данных, исследователи обучили современную модель обнаружения объектов находить колонии на чашках и изучили, как разные виды выглядят на компактной карте признаков изображений. Они использовали только оригинальные изображения, разделив их на тренировочную и тестовую группы, и применяли распространённые приёмы, такие как смешивание и маскирование частей изображений в процессе обучения. На отложенных тестовых плитах модель достигла очень высокой точности для большинства из 19 видов, испытывая лишь небольшие трудности с мелкими или бледными колониями, сливающимися с фоном. При отображении того, как модель группирует колонии в двумерной карте, каждый вид сформировал ясную кластеризацию, что показывает: изображения несут сильные, различимые визуальные признаки, которые компьютер может выучить.

Что это значит для будущей лабораторной работы

Открытый набор данных предлагает чистую, насыщенную отправную точку для создания и проверки инструментов, способных автоматически обнаруживать и считать колонии, а также выделять тонкие признаки, например кольца красного повреждения клеток вокруг некоторых бактерий. Хотя он сосредоточен на выращенных поодиночке видах, а не на грязной смеси реальных образцов пациентов, набор отражает естественное разнообразие штаммов и демонстрирует колонии в высоко воспроизводимых условиях. Для непрофессионального читателя главный вывод в том, что превращение тысяч хорошо освещённых изображений чашек Петри в общий ресурс облегчает многим группам разработку и сравнение интеллектуальных систем, которые однажды могут помочь больничным лабораториям выдавать более надёжные и быстрые результаты по инфекциям.

Цитирование: Du, J., Yang, C., Sun, M. et al. High-Resolution Colony Images of Clinically Isolated Bacteria for Automated Detection and Deep Learning. Sci Data 13, 757 (2026). https://doi.org/10.1038/s41597-026-07095-5

Ключевые слова: бактериальные колонии, набор изображений, автоматическое обнаружение, глубокое обучение, клиническая микробиология